Page 23 - 2026第1期核能新闻

四、核能+AI 治理体系与生态协同

数据质量是人工智能模型行为与性能的基础，安全可信是核能行业 AI 技术

应用的首要前提，开放、规范、有序的生态体系，是人工智能技术在核能行业可
持续应用的关键。以下简要阐述人工智能数据治理、安全可信、生态协同相关基

本原则和框架。

（一）数据治理的基础性作用

核能产业数据具有极其复杂的多源异构特性。核电机组从设计研发、工程建

设到运维检修，产生海量的图纸、模型、监测数据、检修记录、安全分析报告等

不同类型“数据”，存放于各业务系统。各系统间的“数据孤岛”导致特征工程

难以跨域关联，命名规范不统一、接口形式不统一，给人工智能模型创建带来了

挑战。

围绕 AI 模型创建需求，数据治理需从工程化角度作以下考量：其一，建立

语义对齐的数据组织体系，通过构建行业本体模型，将碎片化数据转化为具备逻

辑关联的结构化特征库；其二，构建严格的数据溯源机制，确保模型推理的每一

项输出均具备可审计的确定性，以满足核安全对 AI 模型“可解释”的要求；其

三，平衡数据流动性与主权安全，在保障机密数据不出域的前提下，利用隐私计
算等手段打破安全壁垒，实现行业数据的汇集共享。

（二）AI 系统的安全可信要求
核能生产遵循“安全至上”原则，对任何可能影响监控、保护或运行操作的

技术工具都必须进行严格的验证。在该框架下，人工智能系统的定位应当是“辅

助性”，即其输出不直接参与控制决策，而是通过识别、分析、判断提供决策参

考。

建议在核能生产人工智能系统设计中必须嵌入“人在回路”机制：一是模型

在给出推理结果的同时，必须同步输出置信度分布或不确定性指标，为运行人员

判断算法输出的可靠性提供量化依据；二是针对涉及热工水力或中子动力学计算

的任务，应引入物理一致性校验机制，确保模型预测值严格限定在已知的物理安

全边界内，从机理上杜绝算法“幻觉”；三是建立“异常回退”机制，当模型行

为偏离正常范围时能够立即切换至安全或传统控制模式。

20